• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    融合注意力的多維特征圖卷積運(yùn)動(dòng)想象分類

    2022-09-15 10:27:40李珍琦賈子鈺林友芳
    計(jì)算機(jī)與生活 2022年9期
    關(guān)鍵詞:想象分類特征

    李珍琦,王 晶+,賈子鈺,林友芳

    1.北京交通大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,北京 100044

    2.北京交通大學(xué) 交通數(shù)據(jù)分析與挖掘北京市重點(diǎn)實(shí)驗(yàn)室,北京 100044

    腦-機(jī)接口(brain-computer interface,BCI)是一種被廣泛研究的人機(jī)交互技術(shù),可以在人類大腦和外部設(shè)備之間建立直接連接通路,允許人們僅通過大腦神經(jīng)活動(dòng)來與現(xiàn)實(shí)世界交流或者操縱外部設(shè)備。目前,腦-機(jī)接口的研究有很多,比如運(yùn)動(dòng)想象(motor imagery,MI)、情緒識(shí)別和睡眠分期等,其中運(yùn)動(dòng)想象在近幾年引起了極大的關(guān)注。運(yùn)動(dòng)想象是與人體運(yùn)動(dòng)有關(guān)特異性行動(dòng)在大腦的再現(xiàn),但并不伴有實(shí)際的身體運(yùn)動(dòng)。對(duì)不同運(yùn)動(dòng)想象大腦神經(jīng)元活動(dòng)的正確識(shí)別,可以獲得大腦指令,進(jìn)而幫助患有嚴(yán)重運(yùn)動(dòng)神經(jīng)元疾病的患者控制輪椅等外部設(shè)備,同時(shí)運(yùn)動(dòng)想象分類也是進(jìn)行運(yùn)動(dòng)康復(fù)訓(xùn)練的重要支撐。

    腦-機(jī)接口系統(tǒng)包括侵入性和非侵入性兩種方法對(duì)大腦神經(jīng)元的活動(dòng)進(jìn)行測(cè)量,其中腦電波(electroencephalogram,EEG)作為非侵入性方法之一,憑借其安全性、可靠性、舒適性和高便捷性被人們廣泛使用?;谀X電信號(hào)的運(yùn)動(dòng)想象分類研究,核心問題是如何將根據(jù)多個(gè)電極收集到的腦電信號(hào)解碼為有效特征,并提高分類的準(zhǔn)確性。

    對(duì)于腦電信號(hào)的特征提取,學(xué)者們已經(jīng)做出了許多努力。早期的腦電分類方法直接從波形上提取時(shí)間特征,只能用于隨時(shí)間變化明顯的信號(hào)。后來學(xué)者們將腦電信號(hào)從時(shí)域轉(zhuǎn)換到頻域或者空間域去提取特征,進(jìn)而分類。但這些方法只考慮了時(shí)頻或時(shí)空特征,沒有同時(shí)考慮到腦電信號(hào)的多維(空間、時(shí)間和頻譜維度)特征,而且分類效果嚴(yán)重依賴于專家經(jīng)驗(yàn)。最近很多學(xué)者利用深度學(xué)習(xí)方法來解碼腦電信號(hào),如利用二維或三維卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)自動(dòng)提取腦電信號(hào)不同維度的特征。但是,腦電電極分布并非天然的歐式空間,不適合用標(biāo)準(zhǔn)卷積去提取特征。而且由于腦電的特性,各維度上的關(guān)聯(lián)強(qiáng)度會(huì)隨著不同實(shí)驗(yàn)而變化。因此,如何表示腦電的多維信息以及捕獲各維度上動(dòng)態(tài)關(guān)聯(lián)強(qiáng)度仍是當(dāng)前的挑戰(zhàn)。

    為解決上述挑戰(zhàn),本文提出了一種融合注意力的多維特征圖卷積網(wǎng)絡(luò)(attention based multi-dimensional feature graph convolutional network,AMFGCN)來進(jìn)行運(yùn)動(dòng)想象分類。本文的主要貢獻(xiàn)概述如下:

    (1)提出一種適用于腦電信號(hào)的圖結(jié)構(gòu),能夠準(zhǔn)確表示腦電電極分布的非歐空間并充分考慮電極間的空間相關(guān)性。

    (2)提出時(shí)-空、頻-空的雙分支框架,同時(shí)提取腦電信號(hào)在時(shí)域、頻域和空間域三個(gè)維度上的特征信息。

    (3)設(shè)計(jì)出AMFGCN 模型,首次結(jié)合注意力機(jī)制和圖卷積去自適應(yīng)地捕獲腦電信號(hào)在各維度上的動(dòng)態(tài)關(guān)聯(lián)強(qiáng)度并有效地提取腦電特征。

    (4)在四個(gè)公開腦機(jī)接口數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),證明本文提出的模型優(yōu)于其他現(xiàn)有運(yùn)動(dòng)想象分類方法。

    1 相關(guān)工作

    1.1 運(yùn)動(dòng)想象分類

    針對(duì)基于腦電信號(hào)的運(yùn)動(dòng)想象分類問題,大量學(xué)者在不懈努力下提出了許多優(yōu)秀的分類算法。

    傳統(tǒng)的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別方法通常是基于人工提取特征的方法,大致分為以下兩種:一類是空間濾波的方法,比如運(yùn)動(dòng)想象領(lǐng)域中最流行的共空間模式(common spatial pattern,CSP),該方法從多導(dǎo)腦電數(shù)據(jù)中提取每一類空間分布的分量并對(duì)其分類。后來,Ang等人提出了濾波器組共空間模式(filter bank common spatial pattern,F(xiàn)BCSP),該方法在CSP的基礎(chǔ)上增加了一種特征選擇算法,選擇可區(qū)分的頻帶對(duì)和相應(yīng)CSP 特征。另一類是基于時(shí)頻域轉(zhuǎn)換進(jìn)行腦電分類的方法,例如小波變換和短時(shí)傅里葉變換等。但是,這些方法依賴專家經(jīng)驗(yàn),運(yùn)動(dòng)想象分類的準(zhǔn)確性受到很大的限制。

    如今,深度學(xué)習(xí)算法憑借自動(dòng)提取特征的優(yōu)勢(shì),在圖像和自然語言處理等領(lǐng)域取得了巨大的成功。為了解決人工提取特征的限制,學(xué)者們將深度學(xué)習(xí)算法同樣應(yīng)用到了運(yùn)動(dòng)想象分類中。Schirrmeister等人提出了一種淺層的卷積網(wǎng)絡(luò),直接從原始腦電信號(hào)中自動(dòng)提取特征。Zhao 等人提出具有三個(gè)不同卷積核大小的多分支三維卷積模型,從腦電信號(hào)的三維表示中提取特征。Wu 等人提出一種并行多尺度濾波器組的卷積神經(jīng)網(wǎng)絡(luò)去提取腦電特征。但是,大多數(shù)方法都只考慮了腦電信號(hào)的時(shí)間和空間特征。而且腦電的電極分布并非標(biāo)準(zhǔn)的網(wǎng)格結(jié)構(gòu),普通的卷積無法充分捕獲電極之間的空間相關(guān)性。

    由于腦電的電極分布并非歐式空間,學(xué)者們逐漸利用圖卷積神經(jīng)網(wǎng)絡(luò)(graph convolutional network,GCN)來對(duì)運(yùn)動(dòng)想象進(jìn)行分類。Li等人提出一種端到端的時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò),同時(shí)捕獲腦電信號(hào)的時(shí)空特征來識(shí)別不同的運(yùn)動(dòng)想象。Lun 等人通過結(jié)合電極的功能拓?fù)潢P(guān)系,提出一種基于GCN 的深度學(xué)習(xí)框架,提高對(duì)運(yùn)動(dòng)想象腦電信號(hào)的解碼性能。Sun 等人提出一種自適應(yīng)時(shí)空?qǐng)D卷積網(wǎng)絡(luò),可以同時(shí)充分利用腦電信號(hào)時(shí)域中的特征和空間域中的通道相關(guān)性?,F(xiàn)階段利用圖卷積在運(yùn)動(dòng)想象分類問題上的研究還不是很多,以上這些模型雖然都取得了分類性能上的提升,但對(duì)于腦電信號(hào)在時(shí)間、頻率和空間多個(gè)維度中的信息表示和建模還有待完善。

    1.2 圖卷積神經(jīng)網(wǎng)絡(luò)

    圖是由若干節(jié)點(diǎn)以及連接兩點(diǎn)的線所構(gòu)成的,通常用來描述某些事物之間的某種特定關(guān)系。考慮到圖的鄰居節(jié)點(diǎn)并不是固定的,不能用傳統(tǒng)上固定大小可學(xué)習(xí)的卷積核去提取圖節(jié)點(diǎn)特征。因此,學(xué)者們提出了圖卷積的概念,可以在圖上進(jìn)行卷積操作。最常用的構(gòu)建方式有兩種:空間域和譜域。在空間域上構(gòu)建圖卷積就是把卷積核直接應(yīng)用到圖上的節(jié)點(diǎn)及其鄰域。但是由于每個(gè)頂點(diǎn)的鄰域不同,需要針對(duì)每個(gè)頂點(diǎn)去處理,計(jì)算成本很高,復(fù)雜度很大。在譜域上,通過圖拉普拉斯矩陣變換到譜域,再利用切比雪夫多項(xiàng)式的階截?cái)嘟魄蠼?,?shí)現(xiàn)圖結(jié)構(gòu)數(shù)據(jù)上的卷積操作,計(jì)算成本較低。因此,本文使用譜圖卷積來提取圖節(jié)點(diǎn)特征。

    2 融合注意力的多維特征圖卷積網(wǎng)絡(luò)

    本文提出了一種新型的AMFGCN 模型,對(duì)運(yùn)動(dòng)想象所產(chǎn)生的腦電信號(hào)進(jìn)行解碼與識(shí)別。AMFGCN整體框架如圖1 所示,原始腦電信號(hào)基于圖結(jié)構(gòu)被轉(zhuǎn)換成時(shí)-空?qǐng)D表示和頻-空?qǐng)D表示后,分別輸入到由注意力機(jī)制、圖卷積、時(shí)間卷積、全局特征聚合和短路連接組成的網(wǎng)絡(luò)中,兩個(gè)分支的輸出經(jīng)過特征融合后進(jìn)行分類。

    圖1 AMFGCN 模型框架圖Fig.1 Architecture of AMFGCN

    模型整體包括五部分,分別為數(shù)據(jù)轉(zhuǎn)換及其圖表示、基于注意力機(jī)制的空間圖卷積模塊、基于注意力機(jī)制的時(shí)間/頻譜卷積模塊、全局特征聚合模塊和多維特征融合模塊,接下來分別進(jìn)行詳細(xì)介紹。

    2.1 數(shù)據(jù)轉(zhuǎn)換及其圖表示

    由于腦電信號(hào)的電極節(jié)點(diǎn)位置并非標(biāo)準(zhǔn)的歐式空間,為了準(zhǔn)確表示這一特性,本文根據(jù)電極的自然空間分布構(gòu)建出一個(gè)圖。再將腦電信號(hào)的時(shí)域和頻域信息映射到圖中,具體轉(zhuǎn)換過程如圖2 所示。

    圖2 腦電信號(hào)的轉(zhuǎn)換過程Fig.2 Conversion process of EEG signals

    本文根據(jù)電極節(jié)點(diǎn)在大腦上的自然空間分布構(gòu)建出一個(gè)適用于腦電信號(hào)的圖,構(gòu)建過程如圖3 所示。圖由節(jié)點(diǎn)和邊構(gòu)成,記為=(,),其中是腦電電極的節(jié)點(diǎn)集,是邊集??紤]到每個(gè)電極節(jié)點(diǎn)的電壓值受其周圍電壓值的影響較大,因此本文假設(shè)每個(gè)節(jié)點(diǎn)有上、下、左、右、左上、右上、左下、右下共8個(gè)自然相鄰的節(jié)點(diǎn),同時(shí)假設(shè)每個(gè)節(jié)點(diǎn)與其自身相連。定義邊集為={NN|(,)∈},其中是自然相鄰節(jié)點(diǎn)的集合。對(duì)于時(shí)域上的多導(dǎo)腦電信號(hào),每一時(shí)間片可以構(gòu)成一個(gè)無向圖,全部的時(shí)間就形成了時(shí)-空?qǐng)D表示x,用來描述時(shí)間在空間上的信息。

    圖3 圖的構(gòu)建過程Fig.3 Construction process of graph

    2.2 基于注意力機(jī)制的空間圖卷積

    為了自適應(yīng)地捕獲空間域中腦電節(jié)點(diǎn)之間的動(dòng)態(tài)關(guān)聯(lián)強(qiáng)度,本文設(shè)計(jì)出一個(gè)基于注意力機(jī)制的空間圖卷積模塊,其包含兩部分:空間注意力機(jī)制和空間圖卷積。

    一般來說,不同的運(yùn)動(dòng)想象任務(wù)會(huì)觸發(fā)大腦不同區(qū)域的神經(jīng)元活動(dòng)。即使是進(jìn)行同一任務(wù),不同區(qū)域的激活程度也會(huì)因人而異。因此,大腦節(jié)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度是動(dòng)態(tài)變化的。受到自注意力機(jī)制的啟發(fā),本文設(shè)計(jì)出一種空間注意力機(jī)制去自適應(yīng)捕獲這種動(dòng)態(tài)關(guān)聯(lián)強(qiáng)度,具體計(jì)算過程如下:

    由于時(shí)-空分支和頻-空分支結(jié)構(gòu)完全相同,這里以時(shí)-空分支為例進(jìn)行描述。模塊的輸入為x∈R,為通道數(shù),模塊根據(jù)x自適應(yīng)地計(jì)算得到a∈R

    通常情況下,使用Softmax 歸一化函數(shù)對(duì)a進(jìn)行歸一化。然而,Softmax 雖然能夠保證不同電極之間是可分的,但無法達(dá)到區(qū)域內(nèi)緊湊和區(qū)域間分離的效果。因此,本文提出對(duì)a進(jìn)行L2 歸一化計(jì)算空間注意力矩陣,L2 歸一化可以令特征向量區(qū)域內(nèi)盡可能緊湊,區(qū)域間盡可能分離,能夠更好地提升模型性能??臻g注意力矩陣a′∈R定義為:

    為了減少計(jì)算成本,本文采用譜圖卷積在經(jīng)過空間注意力機(jī)制調(diào)節(jié)后的圖結(jié)構(gòu)數(shù)據(jù)上進(jìn)行卷積操作,提取腦電信號(hào)的空間特征,具體過程如下:

    根據(jù)構(gòu)建的圖,計(jì)算鄰接矩陣A∈R

    式中,′∈R是切比雪夫系數(shù)向量,切比雪夫多項(xiàng)式的遞歸定義為T()=2xT()-T(),()=1,()=。

    式中,表示激活函數(shù),?表示對(duì)應(yīng)元素相乘。

    2.3 基于注意力機(jī)制的時(shí)間/頻譜卷積

    為了提取腦電時(shí)域和頻域上的特征并自適應(yīng)地捕獲腦電時(shí)間與時(shí)間之間、頻譜與頻譜之間的動(dòng)態(tài)關(guān)聯(lián)強(qiáng)度,本文設(shè)計(jì)出基于注意力機(jī)制的時(shí)間/頻譜卷積模塊,包括時(shí)間/頻譜注意力機(jī)制和卷積。

    腦電信號(hào)是隨著時(shí)間變化的多條時(shí)間序列,它在不同時(shí)刻的電壓值會(huì)存在一定的相互影響與依賴。同樣,相鄰頻率之間的頻率譜密度也會(huì)相互影響與依賴。因此,本文設(shè)計(jì)出一種時(shí)間/頻譜注意力機(jī)制去自適應(yīng)捕獲這種動(dòng)態(tài)變化的關(guān)聯(lián)性。本文的時(shí)間注意力和頻譜注意力分別作用于兩個(gè)分支,但結(jié)構(gòu)相同。因此,本文仍舊以時(shí)-空分支為例進(jìn)行描述,具體計(jì)算過程如下:

    其次,對(duì)a進(jìn)行L2 歸一化得到時(shí)間注意力矩陣a′∈R

    經(jīng)過時(shí)間/頻譜注意力機(jī)制的調(diào)整后,本文選擇用二維的標(biāo)準(zhǔn)卷積去分別學(xué)習(xí)時(shí)間依賴性以及頻譜依賴性。盡管深度神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)表示能力,但對(duì)于腦電分析而言,并不是網(wǎng)絡(luò)越深效果越好。因此,一層的卷積已經(jīng)能夠很好地捕捉到每一節(jié)點(diǎn)上的時(shí)間及頻譜特征。本文中,時(shí)間/頻譜卷積的具體結(jié)構(gòu)如表1 所示。

    表1 時(shí)間/頻譜卷積結(jié)構(gòu)Table 1 Convolution structure of temporal/spectral

    式中,和分別是時(shí)間卷積學(xué)習(xí)到的權(quán)重和偏差。

    2.4 全局特征聚合

    為了全局地考慮所有節(jié)點(diǎn)之間的特征信息以及所有時(shí)間/頻譜之間的特征信息,本文設(shè)計(jì)出一個(gè)全局特征聚合模塊,通過兩個(gè)卷積層分別聚合空間全局特征和時(shí)/頻全局特征。而且,卷積層間的非線性函數(shù)ReLU 還可以令模型學(xué)習(xí)到更復(fù)雜的函數(shù),進(jìn)而增加模型復(fù)雜度。

    式中,和分別是全局空間聚合的權(quán)重和偏差。

    式中,和分別是全局時(shí)間聚合的權(quán)重和偏差。全局特征聚合模塊的結(jié)構(gòu)設(shè)置如表2 所示。

    表2 全局特征聚合的結(jié)構(gòu)Table 2 Structure of global feature aggregation

    2.5 多維特征融合

    式中,WW是學(xué)習(xí)參數(shù),反映了兩個(gè)分支對(duì)運(yùn)動(dòng)想象分類的不同影響程度。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)集與數(shù)據(jù)預(yù)處理

    本文中使用的4 個(gè)公開腦機(jī)接口數(shù)據(jù)集分別為:BCI Competition IV 數(shù)據(jù)集2a(http://www.bbci.de/competition/iv)、BCI Competition III 數(shù)據(jù)集3a(http://www.bbci.de/competition/iii)、大型腦電數(shù)據(jù)集HaLT(https://www.nature.com/articles/sdata2018211)和AHUMIEEG 數(shù)據(jù)集(http://iiphci.ahu.edu.cn/toeeg)。

    BCI Competition IV 數(shù)據(jù)集2a(BCICIV-2a):該數(shù)據(jù)集包含9 位受試者做不同運(yùn)動(dòng)想象任務(wù)的腦電信號(hào),分別是想象左手、右手、腳以及舌頭運(yùn)動(dòng)的4 類運(yùn)動(dòng)想象任務(wù)。使用22 個(gè)電極和250 Hz 的采樣頻率來記錄腦電信號(hào)。每個(gè)人在不同的日期共進(jìn)行了兩組實(shí)驗(yàn)。每組實(shí)驗(yàn)包含288 次運(yùn)動(dòng)想象,平均每類運(yùn)動(dòng)想象進(jìn)行72 次。

    BCI Competition III數(shù)據(jù)集3a(BCICIII-3a):該數(shù)據(jù)集包含3 位受試者,其中第一位受試者進(jìn)行了360次運(yùn)動(dòng)想象,其他人為240 次。運(yùn)動(dòng)想象任務(wù)有4類,分別為左手、右手、腳和舌頭。腦電信號(hào)的收集使用了60 個(gè)腦電電極,并以250 Hz 的采樣頻率進(jìn)行記錄。

    HaLT 數(shù)據(jù)集:考慮到BCI 競(jìng)賽的時(shí)間都相對(duì)較早,本文還選擇了一個(gè)于2018 年發(fā)布的大型公共腦電信號(hào)數(shù)據(jù)集。HaLT 數(shù)據(jù)集是“用于腦機(jī)接口腦電圖的大型腦電圖運(yùn)動(dòng)想象數(shù)據(jù)集”中的子數(shù)據(jù)集。它包含12 位受試者,運(yùn)動(dòng)想象任務(wù)有6 類,分別是左手、右手、左腿、右腿、舌頭和靜止。以200 Hz 的采樣率和19 個(gè)腦電電極記錄腦電信號(hào)。數(shù)據(jù)集中共包含29 次實(shí)驗(yàn),每次實(shí)驗(yàn)中大約有900 次運(yùn)動(dòng)想象,包括不同的想象任務(wù)。

    AHU-MIEEG 數(shù)據(jù)集:該數(shù)據(jù)集為安徽大學(xué)公開的運(yùn)動(dòng)想象腦電信號(hào)數(shù)據(jù)集,本文選擇了其中的10位受試者進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)為Neuroscan 放大器采集的腦電信號(hào),電極個(gè)數(shù)為26,采樣頻率為250 Hz,運(yùn)動(dòng)想象任務(wù)有3 類,分別是左手、右手和腳。每位受試者在不同的日期進(jìn)行實(shí)驗(yàn),每次實(shí)驗(yàn)大約包含75次運(yùn)動(dòng)想象,平均每類運(yùn)動(dòng)想象進(jìn)行25 次。

    在深度學(xué)習(xí)領(lǐng)域,訓(xùn)練數(shù)據(jù)量對(duì)于高分類精度至關(guān)重要。由于運(yùn)動(dòng)想象實(shí)驗(yàn)耗時(shí)且復(fù)雜,無法獲得大量腦電信號(hào),于是,本文使用數(shù)據(jù)增強(qiáng)從原始腦電信號(hào)中生成更多的訓(xùn)練數(shù)據(jù)。在BCICIV-2a 和BCICIII-3a 數(shù)據(jù)集中,每個(gè)運(yùn)動(dòng)想象任務(wù)包含3 s 的腦電信號(hào)數(shù)據(jù),本文選擇了一種在腦電信號(hào)中常用的數(shù)據(jù)增強(qiáng)方法——滑動(dòng)窗口。設(shè)置窗口大小為2 s,滑動(dòng)步幅為0.32 s,將腦電數(shù)據(jù)增強(qiáng)為原來的4 倍。在HaLT 數(shù)據(jù)集中,每個(gè)運(yùn)動(dòng)想象任務(wù)只包含1 s的腦電信號(hào)數(shù)據(jù),考慮到任務(wù)的持續(xù)時(shí)間太短,本文采用增加白噪聲的方法對(duì)其進(jìn)行數(shù)據(jù)增強(qiáng)。

    3.2 實(shí)驗(yàn)設(shè)置

    本文中,將每個(gè)受試者的所有組實(shí)驗(yàn)數(shù)據(jù)組合在一起,并使用5 折交叉驗(yàn)證的方式來驗(yàn)證提出模型的有效性,最后取結(jié)果的平均值。模型在訓(xùn)練過程中采用Adam 優(yōu)化器算法最小化交叉熵?fù)p失函數(shù),進(jìn)行模型優(yōu)化,學(xué)習(xí)率設(shè)置為0.001。批大小設(shè)置為64,即每次選擇64 個(gè)樣本進(jìn)行模型優(yōu)化。圖表示中,時(shí)間長(zhǎng)度和頻率長(zhǎng)度全都設(shè)置為100,切比雪夫多項(xiàng)式中的設(shè)為3。

    本文的實(shí)驗(yàn)部分全部使用Python 語言編寫實(shí)現(xiàn),其中模型部分采用了TensorFlow 和Keras 框架,模型的訓(xùn)練和測(cè)試都是在GPU服務(wù)器上運(yùn)行的。表3給出了實(shí)驗(yàn)中所使用軟硬件環(huán)境的詳細(xì)說明。

    表3 實(shí)驗(yàn)環(huán)境Table 3 Experimental environment

    3.3 基準(zhǔn)方法

    為了驗(yàn)證AMFGCN 在運(yùn)動(dòng)想象分類任務(wù)上的優(yōu)越性,本文選取運(yùn)動(dòng)想象分類研究中一些優(yōu)秀的傳統(tǒng)方法和深度學(xué)習(xí)方法作為基準(zhǔn)方法與AMFGCN進(jìn)行比較,基準(zhǔn)方法描述如下:

    FBCSP(filter bank common spatial pattern):一種空間濾波方法,從多通道腦電信號(hào)中提取每種類型的空間分布分量,然后用線性判別分析對(duì)其進(jìn)行分類。

    Shallow ConvNet:一種淺層卷積網(wǎng)絡(luò),利用兩個(gè)卷積層分別作為時(shí)間卷積和空間濾波器,提取原始腦電信號(hào)的特征。

    EEGNet:一種緊湊的卷積神經(jīng)網(wǎng)絡(luò),它使用深度和可分離卷積來構(gòu)建腦電分類模型。

    Multi-branch-3D:一種具有三個(gè)不同卷積核大小的多分支三維卷積模型,從腦電信號(hào)的三維表示中提取時(shí)空特征。

    MSFBCNN(multiscale filter bank convolutional neural network):一種并行多尺度濾波器組卷積神經(jīng)網(wǎng)絡(luò),從腦電中提取時(shí)間和空間特征。

    CNN-LSTM:一種基于FBCSP、CNN 和長(zhǎng)短期記憶(long short-term memory,LSTM)的混合深度神經(jīng)網(wǎng)絡(luò),去解碼運(yùn)動(dòng)想象的腦電信號(hào)。

    本文采用運(yùn)動(dòng)想象分類中常用的準(zhǔn)確率(accuracy,Acc)和Kappa系數(shù)作為模型的評(píng)價(jià)指標(biāo)。其中,準(zhǔn)確率為運(yùn)動(dòng)想象被正確分類的比例,即正確分類的樣本數(shù)和總樣本數(shù)的比值;Kappa 系數(shù)的具體計(jì)算公式如下:

    3.4 實(shí)驗(yàn)結(jié)果與分析

    為了驗(yàn)證AMFGCN 在運(yùn)動(dòng)想象分類方法中的優(yōu)勢(shì),將其在4 個(gè)數(shù)據(jù)集上與基準(zhǔn)方法進(jìn)行了比較。本文對(duì)所有基準(zhǔn)方法應(yīng)用相同的數(shù)據(jù)預(yù)處理和5 折交叉驗(yàn)證。表4、表5、表6、表7分別顯示了在BCICIV-2a、BCICIII-3a、HaLT 和AHU-MIEEG 數(shù)據(jù)集中不同方法的分類準(zhǔn)確率和Kappa 系數(shù)。由于本文是基于特定受試者的運(yùn)動(dòng)想象分類研究,計(jì)算了每一個(gè)人的分類準(zhǔn)確率和Kappa 系數(shù),以及每個(gè)數(shù)據(jù)集中所有人的平均值。

    表4 不同方法在數(shù)據(jù)集BCICIV-2a 中的分類性能比較Table 4 Performance comparison of different methods on BCICIV-2a dataset

    表5 不同方法在數(shù)據(jù)集BCICIII-3a 中的分類性能比較Table 5 Performance comparison of different methods on BCICIII-3a dataset

    表6 不同方法在數(shù)據(jù)集HaLT 中的分類性能比較Table 6 Performance comparison of different methods on HaLT dataset

    表7 不同方法在數(shù)據(jù)集AHU-MIEEG 中的分類性能比較Table 7 Performance comparison of different methods on AHU-MIEEG dataset

    從表中可以看到,F(xiàn)BCSP 作為一種基于空間濾波的傳統(tǒng)腦電分類方法僅僅考慮了空間信息,忽略了時(shí)間和頻率信息中的辨別性特征,因此分類結(jié)果較差。而Shallow ConvNet、EEGNet和MSFBCNN 等方法通過設(shè)計(jì)不同類型的2D 卷積從腦電中提取時(shí)間和空間特征;Multi-branch-3D 利用大小不同的3D 卷積核來同時(shí)提取時(shí)空特征;CNN-LSTM 結(jié)合了FBCSP、CNN 和LSTM 等傳統(tǒng)與深度方法去提取時(shí)空特征。以上這些方法考慮到了腦電信號(hào)時(shí)間和空間兩個(gè)維度的特征,因此分類性能要優(yōu)于FBCSP。

    本文提出的AMFGCN 與所有基準(zhǔn)方法相比,在4 個(gè)數(shù)據(jù)集上的平均準(zhǔn)確率和平均Kappa系數(shù)都具有最佳性能。這是因?yàn)锳MFGCN 基于適合腦電信號(hào)的圖表示同時(shí)提取了時(shí)-頻-空特征,獲得了更準(zhǔn)確、更全面的特征信息。而且AMFGCN 還利用了注意力機(jī)制去自適應(yīng)地捕獲腦電信號(hào)在不同維度上的動(dòng)態(tài)關(guān)聯(lián)強(qiáng)度,令模型具有更強(qiáng)的魯棒性。在單個(gè)人的實(shí)驗(yàn)結(jié)果中,EEGNet 在數(shù)據(jù)集HaLT 中受試者6 上取得了最佳的分類效果,CNN-LSTM 在數(shù)據(jù)集AHUMIEEG 中受試者S4 上表現(xiàn)最好。這可能是因?yàn)檫\(yùn)動(dòng)想象產(chǎn)生的腦電信號(hào)個(gè)體差異較大,EEGNet 的深度和可分離卷積以及CNN-LSTM 的混合網(wǎng)絡(luò)分別更好地捕捉到了這兩位受試者的特征信息。相比之下,AMFGCN 雖然沒能捕捉到最適合這兩位受試者的腦電特征,但是也取得了相當(dāng)不錯(cuò)的分類結(jié)果。而且從整體來看,AMFGCN 在其他受試者上均獲得了最佳的分類性能。因此,AMFGCN 能夠提升絕大多數(shù)受試者的運(yùn)動(dòng)想象分類性能,且能保證每個(gè)數(shù)據(jù)集中的平均分類結(jié)果是最優(yōu)的。

    為了進(jìn)一步研究AMFGCN 中不同模塊的作用,本文設(shè)計(jì)了AMFGCN 的5 個(gè)變體,這些變體之間的差異描述如下:

    (1)時(shí)-空?qǐng)D卷積:此模型僅具有AMFGCN 的時(shí)-空分支,分支中只包括空間圖卷積和時(shí)間卷積。

    (2)頻-空?qǐng)D卷積:此模型僅具有AMFGCN 的頻-空分支,分支中只包括空間圖卷積和頻譜卷積。

    (3)雙分支:此模型同時(shí)包括AMFGCN 的時(shí)-空分支、頻-空分支和最后兩個(gè)分支的特征融合。

    (4)+全局特征聚合:此模型在變體3(雙分支)的基礎(chǔ)上,增加了全局特征聚合模塊。

    (5)+注意力機(jī)制:此模型在變體4 的基礎(chǔ)上,增加了注意力機(jī)制,即空間注意力和時(shí)間/頻譜注意力。

    圖4 展示了模型的5 個(gè)變體在數(shù)據(jù)集BCICIV-2a、BCICIII-3a、HaLT 和AHU-MIEEG 中所有人平均分類準(zhǔn)確率的對(duì)比。從中可以看出,如果提取腦電的時(shí)-頻-空三個(gè)維度的特征比單獨(dú)提取時(shí)空特征或者頻空特征能夠提供更多、更豐富的辨別性特征,進(jìn)而獲得更好的分類性能;而且,本文設(shè)計(jì)的全局特征聚合模塊和注意力機(jī)制都能不同程度地提高模型對(duì)不同運(yùn)動(dòng)想象的分類準(zhǔn)確性。由此可以證明,本文提出的AMFGCN 模型中每一模塊都是有效的,都能提升運(yùn)動(dòng)想象分類性能。

    圖4 模型不同變體的實(shí)驗(yàn)結(jié)果Fig.4 Experimental results of different model variants

    4 結(jié)束語

    針對(duì)運(yùn)動(dòng)想象分類問題,本文提出一種新型的融合注意力的多維特征圖卷積網(wǎng)絡(luò)AMFGCN。該模型基于一種適合腦電信號(hào)的圖結(jié)構(gòu)作為輸入,能夠準(zhǔn)確表示腦電電極分布的非歐空間并充分考慮電極間的空間相關(guān)性;利用雙分支框架從原始腦電信號(hào)轉(zhuǎn)換成的時(shí)-空?qǐng)D表示和頻-空?qǐng)D表示中同時(shí)提取時(shí)-頻-空多維度特征信息;并設(shè)計(jì)出注意力機(jī)制和全局特征聚合模塊,與圖卷積結(jié)合去自適應(yīng)地捕獲腦電信號(hào)在各維度上的動(dòng)態(tài)關(guān)聯(lián)強(qiáng)度和有效特征。在4個(gè)公開腦機(jī)接口數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明,AMFGCN比其他基準(zhǔn)方法在運(yùn)動(dòng)想象分類任務(wù)上取得了一定程度的提升。此外,AMFGCN 模型是腦電信號(hào)分類的通用框架,適用于情感識(shí)別、睡眠分期等基于腦電進(jìn)行研究的領(lǐng)域,且該模型具有在現(xiàn)實(shí)生活中運(yùn)動(dòng)想象康復(fù)醫(yī)療領(lǐng)域應(yīng)用的潛力。

    雖然本文算法顯示出了獨(dú)特的優(yōu)勢(shì),但是依然存在一些問題需要進(jìn)一步研究。比如,當(dāng)前的研究是針對(duì)每一位受試者的,如何提出普適性更高的算法去進(jìn)行跨受試者研究,需要更深一步的探討與分析。

    猜你喜歡
    想象分類特征
    快樂的想象
    分類算一算
    細(xì)觀察 多想象 善表達(dá)
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    分類討論求坐標(biāo)
    這些并不是想象,有些人正在為擁抱付費(fèi)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    抓住特征巧觀察
    青草久久国产| 成人亚洲精品av一区二区| 巨乳人妻的诱惑在线观看| 久久精品91蜜桃| 亚洲熟女毛片儿| 国产亚洲av高清不卡| 啪啪无遮挡十八禁网站| 一本一本综合久久| 亚洲成人久久爱视频| 亚洲五月婷婷丁香| 啪啪无遮挡十八禁网站| 好男人在线观看高清免费视频| 日本a在线网址| 亚洲精品色激情综合| 又黄又爽又免费观看的视频| 成人欧美大片| 国产91精品成人一区二区三区| 熟妇人妻久久中文字幕3abv| 成人无遮挡网站| 欧美午夜高清在线| 国产激情偷乱视频一区二区| 久久久久九九精品影院| 不卡一级毛片| 亚洲国产精品久久男人天堂| 国产高清有码在线观看视频| 亚洲av五月六月丁香网| 国产在线精品亚洲第一网站| 中国美女看黄片| 国产精品久久久av美女十八| 岛国视频午夜一区免费看| 久久精品夜夜夜夜夜久久蜜豆| 日韩免费av在线播放| 日韩欧美 国产精品| 国产成人影院久久av| 亚洲av电影在线进入| 天堂√8在线中文| 一区二区三区高清视频在线| 亚洲av成人一区二区三| 欧美乱色亚洲激情| 国产精品久久久久久人妻精品电影| 舔av片在线| or卡值多少钱| www.www免费av| 99在线视频只有这里精品首页| 青草久久国产| 中文字幕熟女人妻在线| 亚洲欧美一区二区三区黑人| 村上凉子中文字幕在线| 国产伦精品一区二区三区视频9 | 90打野战视频偷拍视频| bbb黄色大片| 久久久久国产精品人妻aⅴ院| 两个人视频免费观看高清| 一级a爱片免费观看的视频| 国产成+人综合+亚洲专区| 色av中文字幕| 18禁国产床啪视频网站| 日韩国内少妇激情av| 91av网站免费观看| 三级国产精品欧美在线观看 | 99久久99久久久精品蜜桃| 午夜免费激情av| 熟妇人妻久久中文字幕3abv| 一本一本综合久久| 国产亚洲欧美在线一区二区| 女同久久另类99精品国产91| 亚洲欧洲精品一区二区精品久久久| 国产乱人视频| 51午夜福利影视在线观看| 亚洲中文字幕日韩| 色综合欧美亚洲国产小说| 免费观看的影片在线观看| 听说在线观看完整版免费高清| 国产野战对白在线观看| 免费av不卡在线播放| 国产aⅴ精品一区二区三区波| 午夜亚洲福利在线播放| 中文字幕熟女人妻在线| 亚洲自拍偷在线| 午夜免费成人在线视频| 国产伦精品一区二区三区视频9 | 日本精品一区二区三区蜜桃| 51午夜福利影视在线观看| 欧美乱妇无乱码| 夜夜夜夜夜久久久久| 国产精品永久免费网站| 黄色丝袜av网址大全| 中文字幕av在线有码专区| 亚洲 欧美一区二区三区| 一本综合久久免费| 啪啪无遮挡十八禁网站| 香蕉国产在线看| 亚洲人成伊人成综合网2020| 亚洲avbb在线观看| 久久久国产成人精品二区| 日韩欧美国产在线观看| 韩国av一区二区三区四区| 757午夜福利合集在线观看| 国产午夜福利久久久久久| 脱女人内裤的视频| 9191精品国产免费久久| 老熟妇仑乱视频hdxx| 黄色女人牲交| 午夜亚洲福利在线播放| 欧美黄色淫秽网站| 精品久久久久久久久久久久久| 国产伦一二天堂av在线观看| 亚洲在线观看片| 久久久久国内视频| 美女 人体艺术 gogo| 欧美极品一区二区三区四区| 中文字幕最新亚洲高清| 免费看光身美女| 精品一区二区三区视频在线观看免费| avwww免费| 中文字幕熟女人妻在线| 好男人在线观看高清免费视频| 很黄的视频免费| 级片在线观看| 又黄又粗又硬又大视频| 免费看a级黄色片| 天堂√8在线中文| 国产高清视频在线观看网站| 性色avwww在线观看| 国产日本99.免费观看| 亚洲第一欧美日韩一区二区三区| 久9热在线精品视频| 成人18禁在线播放| 国产69精品久久久久777片 | av女优亚洲男人天堂 | www.自偷自拍.com| 狂野欧美白嫩少妇大欣赏| 五月伊人婷婷丁香| 亚洲片人在线观看| 国语自产精品视频在线第100页| 又爽又黄无遮挡网站| 一级作爱视频免费观看| 99精品欧美一区二区三区四区| 91老司机精品| 日韩人妻高清精品专区| 国产高清videossex| 午夜精品久久久久久毛片777| 国产亚洲精品久久久com| 日韩欧美三级三区| 丰满的人妻完整版| 亚洲,欧美精品.| 久久香蕉国产精品| 亚洲精品美女久久av网站| 国产精品爽爽va在线观看网站| 亚洲黑人精品在线| 国产一区二区三区在线臀色熟女| 在线免费观看的www视频| 国产精品影院久久| 变态另类成人亚洲欧美熟女| 国产99白浆流出| 国产成人系列免费观看| 97碰自拍视频| 午夜福利在线观看免费完整高清在 | 国产高清videossex| 黄频高清免费视频| 叶爱在线成人免费视频播放| 亚洲,欧美精品.| 国产私拍福利视频在线观看| 91字幕亚洲| 757午夜福利合集在线观看| 国产亚洲精品一区二区www| 最新在线观看一区二区三区| 国产av一区在线观看免费| 国产在线精品亚洲第一网站| 久99久视频精品免费| 麻豆国产97在线/欧美| 别揉我奶头~嗯~啊~动态视频| 久久精品91无色码中文字幕| 1024手机看黄色片| 最近在线观看免费完整版| 天天躁狠狠躁夜夜躁狠狠躁| 色综合婷婷激情| e午夜精品久久久久久久| 亚洲七黄色美女视频| 精品国产乱码久久久久久男人| 老汉色av国产亚洲站长工具| 九色国产91popny在线| 亚洲第一欧美日韩一区二区三区| 很黄的视频免费| 亚洲黑人精品在线| 男人和女人高潮做爰伦理| 男人的好看免费观看在线视频| 搡老妇女老女人老熟妇| 一个人免费在线观看电影 | 99在线视频只有这里精品首页| 亚洲国产欧美人成| 宅男免费午夜| 波多野结衣高清作品| 欧美性猛交╳xxx乱大交人| 久久精品91无色码中文字幕| 岛国在线免费视频观看| www.999成人在线观看| 国产欧美日韩一区二区三| 国内精品一区二区在线观看| 欧美最黄视频在线播放免费| av女优亚洲男人天堂 | 国产av麻豆久久久久久久| av片东京热男人的天堂| 桃红色精品国产亚洲av| 日韩 欧美 亚洲 中文字幕| 欧美乱码精品一区二区三区| 欧美日本视频| 母亲3免费完整高清在线观看| 麻豆国产97在线/欧美| 国产精品久久久人人做人人爽| 国产一级毛片七仙女欲春2| 国产精品久久久久久久电影 | 在线免费观看的www视频| 色哟哟哟哟哟哟| 在线观看日韩欧美| 丰满的人妻完整版| 欧美黄色淫秽网站| 综合色av麻豆| 最新中文字幕久久久久 | 热99re8久久精品国产| 亚洲成人久久性| 淫妇啪啪啪对白视频| 淫秽高清视频在线观看| 久久久久久久久中文| 在线永久观看黄色视频| 久久久久精品国产欧美久久久| 亚洲欧美日韩高清专用| 一个人免费在线观看的高清视频| 成人特级黄色片久久久久久久| 中文资源天堂在线| 蜜桃久久精品国产亚洲av| 好男人在线观看高清免费视频| 很黄的视频免费| 亚洲精品久久国产高清桃花| 亚洲黑人精品在线| 国产成年人精品一区二区| 人人妻,人人澡人人爽秒播| 国产野战对白在线观看| 午夜成年电影在线免费观看| 国产私拍福利视频在线观看| 亚洲,欧美精品.| 国产三级黄色录像| 黄色 视频免费看| 午夜精品一区二区三区免费看| 国产亚洲精品久久久com| 1024手机看黄色片| 国产欧美日韩一区二区精品| 亚洲av熟女| av福利片在线观看| 免费看日本二区| 青草久久国产| 女人被狂操c到高潮| 欧美国产日韩亚洲一区| 欧美黄色淫秽网站| 黄片小视频在线播放| 又紧又爽又黄一区二区| 欧美激情久久久久久爽电影| 亚洲avbb在线观看| 美女高潮的动态| 免费在线观看成人毛片| 亚洲专区字幕在线| 久久久国产精品麻豆| 1024香蕉在线观看| 两个人的视频大全免费| 人人妻,人人澡人人爽秒播| www日本在线高清视频| 久久久色成人| 女人被狂操c到高潮| 婷婷丁香在线五月| 欧美中文日本在线观看视频| 午夜久久久久精精品| 高潮久久久久久久久久久不卡| 极品教师在线免费播放| 97超视频在线观看视频| 精华霜和精华液先用哪个| 9191精品国产免费久久| 国内少妇人妻偷人精品xxx网站 | 亚洲欧美激情综合另类| www.999成人在线观看| 免费观看人在逋| 国产成人影院久久av| 黄色视频,在线免费观看| 国产野战对白在线观看| 激情在线观看视频在线高清| 国产亚洲av高清不卡| 香蕉国产在线看| 午夜福利在线观看吧| 麻豆av在线久日| 国产一区二区在线观看日韩 | 国产美女午夜福利| 夜夜看夜夜爽夜夜摸| 国产又色又爽无遮挡免费看| 亚洲美女视频黄频| 少妇丰满av| 国产亚洲精品久久久com| 成人18禁在线播放| 亚洲熟女毛片儿| 91麻豆精品激情在线观看国产| 亚洲精品美女久久久久99蜜臀| 一边摸一边抽搐一进一小说| 久久久久性生活片| 色尼玛亚洲综合影院| 国产熟女xx| 亚洲国产看品久久| 亚洲av电影在线进入| 最近最新免费中文字幕在线| 成人18禁在线播放| 黄色日韩在线| 精品久久久久久,| 99国产综合亚洲精品| 中文字幕精品亚洲无线码一区| 男女那种视频在线观看| 白带黄色成豆腐渣| 不卡一级毛片| 国产极品精品免费视频能看的| 少妇丰满av| 国产精品久久久久久精品电影| 精品国产美女av久久久久小说| 国产精品爽爽va在线观看网站| 国产成人影院久久av| 国产高清videossex| 曰老女人黄片| 亚洲熟女毛片儿| 精品久久久久久,| 51午夜福利影视在线观看| 免费看日本二区| 一级毛片高清免费大全| 亚洲国产高清在线一区二区三| 亚洲熟妇熟女久久| 嫁个100分男人电影在线观看| 看黄色毛片网站| 在线视频色国产色| 久久九九热精品免费| 久久精品亚洲精品国产色婷小说| 成人国产一区最新在线观看| 久久久久久久久久黄片| 两性夫妻黄色片| 亚洲成av人片免费观看| 亚洲国产精品999在线| 88av欧美| 黄频高清免费视频| 亚洲成a人片在线一区二区| 一级毛片高清免费大全| 日本成人三级电影网站| 亚洲精品粉嫩美女一区| 亚洲国产精品成人综合色| 嫁个100分男人电影在线观看| www.www免费av| 色在线成人网| 亚洲无线在线观看| 非洲黑人性xxxx精品又粗又长| 国产精品乱码一区二三区的特点| 丁香欧美五月| 欧美性猛交╳xxx乱大交人| 亚洲av电影在线进入| 特大巨黑吊av在线直播| netflix在线观看网站| 亚洲真实伦在线观看| 国产黄色小视频在线观看| 国内毛片毛片毛片毛片毛片| 一级作爱视频免费观看| 欧美乱码精品一区二区三区| 99热精品在线国产| 999久久久精品免费观看国产| 亚洲精品一区av在线观看| 亚洲av片天天在线观看| 人妻夜夜爽99麻豆av| 色吧在线观看| 亚洲国产欧洲综合997久久,| 成年人黄色毛片网站| 色综合婷婷激情| 国产蜜桃级精品一区二区三区| 热99re8久久精品国产| 国产伦在线观看视频一区| 99久久久亚洲精品蜜臀av| 嫩草影院精品99| 日本一二三区视频观看| 又爽又黄无遮挡网站| 国产精品亚洲一级av第二区| 黄色视频,在线免费观看| 性欧美人与动物交配| 一区二区三区激情视频| 99精品欧美一区二区三区四区| 亚洲欧美日韩卡通动漫| 99国产精品一区二区蜜桃av| 久久久久国产一级毛片高清牌| 岛国在线观看网站| avwww免费| 禁无遮挡网站| 在线国产一区二区在线| 黄色丝袜av网址大全| 国产不卡一卡二| 精品午夜福利视频在线观看一区| 99国产极品粉嫩在线观看| 麻豆成人午夜福利视频| 午夜福利高清视频| 亚洲色图 男人天堂 中文字幕| 国产免费男女视频| 精品国产乱码久久久久久男人| x7x7x7水蜜桃| 国产免费男女视频| 免费av不卡在线播放| 午夜福利欧美成人| 日韩精品青青久久久久久| 亚洲午夜精品一区,二区,三区| 色噜噜av男人的天堂激情| 桃红色精品国产亚洲av| 精品国产乱子伦一区二区三区| 亚洲成人精品中文字幕电影| 偷拍熟女少妇极品色| 老司机午夜福利在线观看视频| 又黄又粗又硬又大视频| 巨乳人妻的诱惑在线观看| 麻豆国产av国片精品| 国产av麻豆久久久久久久| 在线观看一区二区三区| 久99久视频精品免费| 不卡av一区二区三区| 88av欧美| www.熟女人妻精品国产| 在线视频色国产色| www.精华液| 无遮挡黄片免费观看| 中出人妻视频一区二区| 一区福利在线观看| 成人亚洲精品av一区二区| 色综合亚洲欧美另类图片| 成人三级做爰电影| 亚洲精品一区av在线观看| 久久久久国产一级毛片高清牌| 村上凉子中文字幕在线| 午夜福利在线观看吧| 国产一区二区三区视频了| 美女cb高潮喷水在线观看 | 99久久精品热视频| 最新美女视频免费是黄的| 一区福利在线观看| 成人鲁丝片一二三区免费| 特级一级黄色大片| 一个人免费在线观看电影 | 免费观看人在逋| 久久精品国产综合久久久| 国内毛片毛片毛片毛片毛片| 不卡av一区二区三区| 久久中文字幕人妻熟女| 国产精品国产高清国产av| 观看美女的网站| 久久国产精品人妻蜜桃| 国产一区二区激情短视频| 夜夜躁狠狠躁天天躁| 久久久成人免费电影| 男女那种视频在线观看| 亚洲精品色激情综合| 亚洲avbb在线观看| 亚洲18禁久久av| 久久热在线av| 亚洲国产欧美人成| 欧美日本视频| 久久久水蜜桃国产精品网| 在线国产一区二区在线| 亚洲av电影在线进入| 中文字幕久久专区| 19禁男女啪啪无遮挡网站| 国产精品一区二区免费欧美| 国产精品一区二区三区四区久久| 免费观看精品视频网站| 国产三级黄色录像| 免费在线观看视频国产中文字幕亚洲| 久99久视频精品免费| 757午夜福利合集在线观看| 天天添夜夜摸| 在线观看舔阴道视频| 淫秽高清视频在线观看| 黑人操中国人逼视频| 久久久久久国产a免费观看| 国产亚洲精品综合一区在线观看| 久久精品综合一区二区三区| 中文字幕久久专区| 成在线人永久免费视频| 久久久久免费精品人妻一区二区| 88av欧美| 欧美乱码精品一区二区三区| 国产伦人伦偷精品视频| 国产熟女xx| 久久天躁狠狠躁夜夜2o2o| 亚洲欧美精品综合一区二区三区| 夜夜爽天天搞| 免费在线观看影片大全网站| 一级作爱视频免费观看| 日韩欧美国产一区二区入口| 久久草成人影院| 啦啦啦免费观看视频1| 久久久久性生活片| 成人特级黄色片久久久久久久| 亚洲av第一区精品v没综合| 欧美绝顶高潮抽搐喷水| 黄色视频,在线免费观看| 天堂av国产一区二区熟女人妻| 日本精品一区二区三区蜜桃| 欧美+亚洲+日韩+国产| 亚洲精品中文字幕一二三四区| 高潮久久久久久久久久久不卡| 天堂动漫精品| 两个人看的免费小视频| 又粗又爽又猛毛片免费看| 99在线视频只有这里精品首页| 日韩人妻高清精品专区| 国模一区二区三区四区视频 | 天天躁狠狠躁夜夜躁狠狠躁| e午夜精品久久久久久久| 99国产极品粉嫩在线观看| 99精品久久久久人妻精品| 一个人看的www免费观看视频| 久久中文字幕人妻熟女| 看片在线看免费视频| 亚洲激情在线av| 最近在线观看免费完整版| 国产成+人综合+亚洲专区| 日韩欧美一区二区三区在线观看| 黄片大片在线免费观看| 99国产精品一区二区三区| 天天添夜夜摸| 午夜久久久久精精品| 日韩欧美精品v在线| 一进一出抽搐动态| 成人特级黄色片久久久久久久| 日韩欧美免费精品| 亚洲天堂国产精品一区在线| 在线视频色国产色| 国产麻豆成人av免费视频| 精品国产超薄肉色丝袜足j| 观看美女的网站| 国产 一区 欧美 日韩| 久久这里只有精品中国| 中文字幕最新亚洲高清| 九色成人免费人妻av| 怎么达到女性高潮| 久久久久久久午夜电影| 韩国av一区二区三区四区| 国产精品av久久久久免费| 特级一级黄色大片| 精品久久久久久久毛片微露脸| 天天一区二区日本电影三级| 欧美一区二区国产精品久久精品| 国产亚洲精品综合一区在线观看| 日日干狠狠操夜夜爽| 国内精品一区二区在线观看| 一个人观看的视频www高清免费观看 | 桃色一区二区三区在线观看| 12—13女人毛片做爰片一| 国产成人一区二区三区免费视频网站| 亚洲国产精品999在线| 亚洲男人的天堂狠狠| 黄色女人牲交| 国产成人av激情在线播放| 国产欧美日韩精品亚洲av| 日日摸夜夜添夜夜添小说| 国产一区二区激情短视频| 波多野结衣巨乳人妻| 欧美黑人巨大hd| 一区二区三区激情视频| 久99久视频精品免费| 久久久久亚洲av毛片大全| 亚洲第一欧美日韩一区二区三区| 99久久精品热视频| 淫妇啪啪啪对白视频| 九色成人免费人妻av| 国产精品99久久99久久久不卡| 丝袜人妻中文字幕| 成人av一区二区三区在线看| 国产97色在线日韩免费| 国内揄拍国产精品人妻在线| 伦理电影免费视频| 亚洲无线在线观看| 免费看光身美女| 亚洲国产欧美一区二区综合| 午夜福利在线观看免费完整高清在 | 99精品久久久久人妻精品| 免费看a级黄色片| 成年女人毛片免费观看观看9| 草草在线视频免费看| 淫妇啪啪啪对白视频| 久久久久久大精品| 免费看光身美女| 国产精品美女特级片免费视频播放器 | 欧美日韩中文字幕国产精品一区二区三区| 久久精品亚洲精品国产色婷小说| 夜夜爽天天搞| 午夜影院日韩av| 成人亚洲精品av一区二区| 中文字幕人妻丝袜一区二区| 天堂av国产一区二区熟女人妻| 听说在线观看完整版免费高清| 欧美绝顶高潮抽搐喷水| 俺也久久电影网| 1000部很黄的大片| 欧美色欧美亚洲另类二区| 99精品欧美一区二区三区四区| 人人妻人人看人人澡| 岛国在线免费视频观看| 在线观看免费视频日本深夜| 熟女人妻精品中文字幕| 色在线成人网| 精品久久久久久成人av| 亚洲中文av在线| 特级一级黄色大片| 男插女下体视频免费在线播放| 国产高潮美女av| 欧美色欧美亚洲另类二区| 日本 av在线| 国内精品久久久久精免费| 观看美女的网站| 99视频精品全部免费 在线 | 大型黄色视频在线免费观看| 国产成人av教育|